1.一种复杂地质钻进过程地层岩性智能识别方法，其特征在于，包括以下步骤：S1.采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；

S2.在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵，并利用并发删减算法删减ECOC编码矩阵；

S3.基于步骤S2得到的ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；

S4.通过汉明距离解码完成最终的岩性类别输出。

2.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S1中，与岩性紧密相关的数据包括密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度。

3.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S2中，归一化处理的公式为：式中：xmax与xmin分别为特征数据的最大值与最小值，特征数据是与岩性紧密相关的数据，xnorm为归一化之后的值，xnorm∈[0，1]。

4.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S3中，具体包括以下步骤：S3.1.核fisher基分类器选择高斯核，利用蝙蝠优化算法，以Gmean值为适应度函数根据下面的公式优化每一个核fisher基分类器的核参数K；

Gmean＝(TP/(TP+FN)×TN/(TN+FP))1/2K＝exp{||x-xc||^2/(2*δ^2}

式中：TP，FP，FN，TN分别代表正类正确分类数量，预测为正类但是真实为负类，预测为负类但是真实为正类，负类正确分类数量，x为空间中某一点，xc为核函数中心，δ为函数的宽度参数；

S3.2.根据下面的公式，利用蝙蝠优化算法，以Gmean值为适应度函数优化阈值参数λ；

μ＝λ×m1+(1-λ)×m2

式中：m1和m2是ECOC-核fisher编码后分成两类的投影后的平均值，如果阈值参数λ发生变化，阈值μ会在mean1与mean2间移动。

5.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S4中，具体包括以下步骤：S4.1.根据如下公式计算ECOC简化编码与预测值之间的汉明距离；

式中：x，y分别是ECOC矩阵的编码及预测值，i为ECOC编码的第i位，表示抑或；

S4.2.搜索H的最小值所对应的行数，即预测的岩性标签。